EXEMPLO_DE_USO.md

📖 Exemplo de Uso - Classificador de Imagens

🎯 Cenário: Classificação de Gatos vs Cachorros

Este é um exemplo passo-a-passo de como usar o sistema para criar um classificador de gatos e cachorros.

Passo 1: Configuração Inicial

1. Definir número de classes: 2
2. Configurar rótulos:
   • Classe 0: "gato"
   • Classe 1: "cachorro"

Passo 2: Preparação dos Dados

1. Coletar imagens:

   • 20-30 imagens de gatos
   • 20-30 imagens de cachorros
   • Formatos suportados: JPG, PNG, JPEG

2. Upload das imagens:

   • Selecionar "Classe 0 - gato"
   • Fazer upload das imagens de gatos
   • Selecionar "Classe 1 - cachorro"
   • Fazer upload das imagens de cachorros

Passo 3: Configuração do Treinamento

Parâmetros recomendados para iniciantes:

• Batch Size: 8 (para economizar memória)
• Tamanho da imagem: 224,224
• Modelo: MobileNetV2 (rápido e eficiente)
• Épocas: 5
• Learning Rate: 0.001

Passo 4: Treinamento

1. Clicar em "⚙️ Preparar Dados"

   • Verificar se aparece algo como: "✅ Dados preparados: 35 treino, 10 validação, 5 teste"

2. Clicar em "🚀 Iniciar Treinamento"

   • Aguardar conclusão (2-5 minutos)
   • Observar a redução da loss e aumento da accuracy

Passo 5: Avaliação

1. Relatório de avaliação:

   • Clicar em "📊 Avaliar Modelo"
   • Verificar precision, recall e f1-score

2. Matriz de confusão:

   • Clicar em "📈 Matriz de Confusão"
   • Analisar onde o modelo está errando

Passo 6: Teste com Novas Imagens

1. Fazer upload de imagens novas (que não foram usadas no treinamento)
2. Clicar em "🔮 Predizer"
3. Verificar as predições e níveis de confiança

📊 Resultados Esperados

Com um dataset bem balanceado, você deve ver:

• Accuracy: 80-95%
• Confiança: 70-99% nas predições
• Tempo de treinamento: 2-5 minutos (CPU)

🚨 Dicas Importantes

Para melhores resultados:

1. Qualidade das imagens:

   • Use imagens claras e bem iluminadas
   • Evite imagens muito pequenas ou borradas
   • Varie poses e ângulos

2. Balanceamento:

   • Use aproximadamente o mesmo número de imagens por classe
   • Mínimo de 15-20 imagens por classe

3. Diversidade:

   • Inclua diferentes raças
   • Varie ambientes (interno/externo)
   • Diferentes idades dos animais

Solução de problemas comuns:

1. "Muito poucas imagens":

   • Adicione mais imagens (mínimo 10 por classe)

2. Accuracy muito baixa:

   • Verifique se as imagens estão nas classes corretas
   • Aumente o número de épocas
   • Use mais dados de treinamento

3. Erro de memória:

   • Reduza o batch size para 4 ou 8
   • Use MobileNetV2 em vez de ResNet50

🎓 Expandindo o Projeto

Depois de dominar gatos vs cachorros, tente:

1. Mais classes: gatos, cachorros, pássaros
2. Objetos: carros, motos, bicicletas
3. Plantas: rosas, margaridas, tulipas
4. Documentos: faturas, contratos, recibos

📈 Métricas de Sucesso

• Precision: % de predições corretas para cada classe
• Recall: % de exemplos corretamente identificados
• F1-Score: Média harmônica entre precision e recall
• Accuracy: % geral de acertos

Interpretação:

• >90%: Excelente
• 80-90%: Muito bom
• 70-80%: Bom
• <70%: Precisa melhorar (mais dados ou ajuste de parâmetros)

---

🎉 Parabéns! Agora você tem um classificador de imagens funcionando!